Machine Learning & Artificial Intelligence überall – Aber wie funktioniert’s im Unternehmen?

Bevor ich von meinen Top 10 der beeindruckenden Startups und Scaleups berichte, die ich in den letzten zwei Wochen hier im Silicon Valley getroffen habe, wurde ich gebeten, doch erst einmal zu beschreiben, welchen Mehrwert die aktuell heiß diskutierten Zukunftstechnologien im Business Alltag eines Non-Tech Unternehmens liefern. Da es hier um die Digitale Transformation auf Grundlage bereits bestehenden Infrastrukturen und Datenbanken geht, füge ich jeweils meine Anmerkungen zur praktischen Umsetzung, Sicherheit und Datenschutz hinzu.

Weiterlesen: Digitales Geschäftsmodell oder Digitale Transformation?

Alien Attack
Bild: Michael Rosskothen, Adobe Stock

Special: Kostenfreie IT Security Challenge auf Twitter!

Machine Learning

Für viele End-Anwender ist der Begriff Machine Learning verwirrend. Ein Computer lernt anders als der Mensch. Der Vorteil: Er vergisst nicht und seine Kapazitäten lassen sich beliebig erweitern. Der Nachteil: Er ist darauf angewiesen, mit (passenden) Daten gefüttert zu werden und Datenfehlerquellen stellen für ihn immer noch eine Herausforderung dar. Auch fehlen der Maschine soziale Fähigkeiten, wie wir Menschen sie zur Einschätzung von Informationen besitzen – oder schlichtweg: das Bauchgefühl. Diese fehlenden Fähigkeiten müssen von den jeweiligen Entwicklern berücksichtigt und Ergebnisse permanent evaluiert werden. Nur dann ist ein Machine Learning Tool erfolgreich. Ganz ohne Mensch geht es also nicht!

Aktuell wird in den Medien über das Google Chrome Add-on Data Selfie berichtet, dass den Machine Learning Algorithmus von Facebook sichtbar machen und so einen Überblick geben soll, was mit den eingegebenen Daten passiert. Der Daten Input und Output ist nur ein Aspekt, den es bei einem eventuellen Projekte im eigenen Unternehmen zu beachten gilt. Auch die Frage, wie Mitarbeiter mit einem solchen Tool interagieren sollen, stellt viele Entwickler vor eine Herausforderung, wie hier beschrieben.

Gleich zu Beginn eines Projekts gilt es zu bestimmen: Sollen die Mitarbeiter das Tool mitgestalten, oder sollen sie nachher nur informiert werden, wie es richtig anzuwenden ist? Ziel muss es dabei sein, eine saubere Datenbasis für den Machine Learning Prozess zur Verfügung zu stellen und diesen dauerhaft kosteneffizient nutzen zu können – nicht die Befindlichkeiten einzelner Mitarbeiter in Bezug auf den Umgang mit neuen Technologien auszudiskutieren.

Datenschutz-Aspekt: Die einzelne Person hinter den Daten ist für den Machine Learning Prozess nicht interessant. Da die Erkenntnisse dieses Prozesses im besten Fall automatisch genutzt werden sollen, um z.B. Marketing E-Mails zu verschicken, ist Machine Learning aus Datenschutz-Sicht allerdings nicht unumstritten.

Im Datenschutz wird zwischen bestimmten und bestimmbaren Personen unterschieden. Hier beginnt auch schon die Grauzone. Bestimmte Personen sind solche, für die mir offensichtliche persönliche Daten vorliegen. Bestimmbare Personen solche, wo erst nach ein paar Bearbeitungs- und Recherche-Schritten die tatsächliche bestimmte Person aus den vorhandenen Daten ermittelt werden kann. Für einen IT Forensiker oder Data Scientist, dem umfangreiche technische Ressourcen zur Verfügung stehen, ist es nicht allzu schwer, aus einer Datenmasse eine bestimmte Person herauszufiltern, auch wenn diese Informationen vorher bewusst anonymisiert wurden. Für den End-Anwender schon. Die Diskussion um die angemessene Anonymisierung von Daten wird uns daher noch lange beschäftigen. Für Unternehmen bedeutet dies: Bei der Implementierung von Machine Learning Anwendungen sollte immer auch an eine passende Datenschutz-Strategie gedacht werden.

Weiterlesen: Wie funktioniert eigentlich ein Algorithmus?

first-flyer-deutsch-170130
Event-Empfehlung: M[A.I.]_fest

Artificial Intelligence

Während ich diesen Text schreibe, fällt mir auf, dass es schwierig ist, eine klare Grenze zwischen Machine Learning und Artificial Intelligence zu ziehen. Eine kurze Recherche zeigt: Ich bin nicht alleine mit der Vermutung, dass die Übergänge fließend sind. Das A.I. Lab der Stanford University bezieht sich bei der Erklärung auf den Turing Test von 1950 (Artificial Intelligence: Principles and Techniques).Demnach haben wir es mit Artificial Intelligence zu tun, wenn der Mensch in der Interaktion keinen Unterschied zwischen dem Gegenüber Mensch und dem Gegenüber Maschine feststellen kann.

Womit wir zum Beispiel bei der aktuellen Diskussion um Social Bots angelangt wären, die ich bereits in meinem vorherigen Beitrag kritisiert habe. Abgesehen von der sozialkritischen und politischen Diskussion über das Thema, hat sich besonders auf der Developer Week gezeigt, dass „intelligente“ Bots ein großes Potenzial für Marketing und Kundenservice bedeuten. Viele internationale Firmen zeigen bereits, wie es geht und auch als zusätzlicher Service für den eigenen Social Media Kanal lassen sich Bots selbst für End-Anwender leicht installieren. Wie so oft, wird hier aber nicht nur ein passendes Tool, sondern eben auch eine ganze Menge Hirnschmalz benötigt, um solche Angebote für B2B und B2C Kunden sinnvoll und zur Zufriedenheit aller Beteiligten einzusetzen.

Weiterlesen: BLOGPARADE #Digitalisierung: Was passiert da gerade eigentlich?

Herausforderungen bei der Implemetierung

So vielversprechend und smart die drei beschriebenen Möglichkeiten sind, die erfolgreiche Implemetierung im Unternehmen gelingt nur auf der Grundlage einer zeitgemäßen Infrastruktur. Und damit meine ich eine zeitgemäße Infrastruktur nach den Standards des Jahres 2017 – und nicht die, die in den meisten Unternehmen vorherrscht, weil sich bisher noch niemand beschwert hat.

Weiterlesen: Trends 2017 – für den Mittelstand

Sind Hardware und Netzwerk up to date und entsprechend gesichert, stellt sich für alle drei Technologien die große Frage nach dem Zustand der Datenbasis:

  1. Sind alle Daten bereits heute vorhanden, die für einen Einsatz der neuen Tools benötigt werden?
  2. Ist die Nutzung dieser Daten zur weiteren Verarbeitung unter Datenschutz-rechtlichen Gesichtspunkten erlaubt?
  3. Sind diese Daten – zumindest weitestgehen – sauber und ohne Fehlerquellen?

Je mehr Altdaten aus den vergangenen Jahrzehnten gesammelt wurden, die nun eigentlich nur noch aus Bequemlichkeit mitgeschleift werden, desto eher sollten Projekt-Leiter und Entscheider sich fragen: „Brauchen wir die eigentlich noch?“ Auch aus Datenschutz-Sicht sind alle Datensätze, die nicht mehr bearbeitet werden müssen und sicher gelöscht werden können, eine gute Sache. Jetzt werden Sie sich fragen, wie diese Tatsache mit dem Big Data Vorurteil „Je mehr, desto besser!“ zusammen geht. Ganz einfach: Bevor Sie Daten, bei denen Sie bereits den Überblick verloren haben und die Sie und Ihre Mitarbeiter seit Jahren nicht mehr anfassen, in ein komplexes System einspeisen, welches durch die Datenverarbeitung und Auswertung zusätzliche Daten produziert, sollten Sie lieber motiviert ausmisten, als am Ende völlig den Überblick zu verlieren.

Maschinen verfolgen logische Prozesse und verfügen daher über eine völlig andere Arbeitsweise als die meisten Menschen (mit Blick auf ehemalige Vorgesetzte und Kollegen: als ca. 90% der Menschen). Gerade in Bezug auf Datenbanken, sprechen sich Menschen oft individuell ab und schaffen Workarounds – falls es einmal nicht so klappt und man eine vermeidlich einfache Lösung haben will. Maschinen würden dies nie tun. An dieser Stelle entstehen häufig Datenfehlerquellen, die sich über die Einspeisung in Tools, die auf die weitgehende Korrektheit der vorhandenen Daten angewiesen sind, potenzieren. Wer jetzt schon nur schwerlich durchblickt, sollte entweder ein umfangreiches Aufräum-Programm starten oder sich von einem Großteil der Daten verabschieden. Die meisten Daten sind mit Blick auf die Nutzung von Zukunftstechnologien sowieso irrelevant oder zu sehr veraltet. Die Kunst besteht darin, die relevanten Daten zu identifizieren, sauber zu halten, zu sichern und durch die Anwendung der Technologien wertvoller zu machen. Für alle übrigen empfiehlt sich ein Backup zu einem Stichtag und die Vormerkung der Löschung zu einem anderen.

Fragen Sie sich bereits zu Beginn eines Projekts immer: Was wollen wir am Ende damit erreichen? Und holen Sie sich Rat von Experten, die nicht nur über die oben genannten Themen sprechen, sondern diese auch im Unternehmen umsetzen können. Im Notfall, gehen Sie lieber auf eine Veranstaltung für Programmierer, erklären Sie einem Software Entwickler oder Ingenieur Ihr Problem und stellen Sie ein paar Fragen. Zudem ist absehbar, dass das Thema Datenschutz und Transparenz gegenüber dem Kunden bzw. Verbraucher weiter an Fahrt gewinnt – nicht nur auf Grund der bevorstehenden neuen EU Datenschutz Grundverordnung, die 2018 in Kraft treten soll. Kunden tauschen sich heute schon über immer mehr Plattformen aus und nicht selten führt Datenmissbrauch oder Datenverlust zu einem medienwirksamen Shitstorm, der selbst den Wert von Unternehmen beeinflussen kann – zuletzt gesehen bei Yahoo.

Welche Startups konkrete Lösungen für Ihr Unternehmen anbieten, lesen Sie in den nächsten beiden Texten. Jetzt den Digitalisierung jetzt! Newsletter abonnieren oder die Facebook-Seite liken, um keinen zu verpassen!

Kommentar verfassen